Cálculo Numérico, Notas de aula, 2018.

⃝
c Departamento de Computação, Universidade Federal de Ouro Preto.

Sistemas Lineares
Marcone Jamilson Freitas Souza, Departamento de Computação, Instituto de Ciências
Exatas e Biológicas, Universidade Federal de Ouro Preto, 35400-000 Ouro Preto, MG, Bra-
sil. Homepage: http://www.decom.ufop.br/prof/marcone, E-mail: [email protected]

1 Introdução
Propõe-se, neste capítulo, apresentar métodos numéricos para resolver sistemas lineares
postos na forma:



 a11 x1 + a12 x2 + ··· + a1n xn = b1

 a21 x1 + a22 x2 + ··· + a2n xn = b2
. . . . . . . . . (1.1)

 .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.


an1 x1 + an2 x2 + ··· + ann xn = bn
ou, equivalentemente:

∑
n
aij xj = bi ∀i = 1, 2, . . . , n (1.2)
j=1

isto é, resolveremos sistemas lineares nos quais o número de equações é igual ao de incóg-
nitas.

  Ax = b, em que:
Na forma matricial, um sistema linear é representado por
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A= . . . .  −→ Matriz dos coecientes
 .. .
.
.
.
.
. 
an1 an2 · · · ann
 
x1
 x2 
 
x =  .  −→ Vetor das variáveis (ou incógnitas)
 .. 
x
 n
b1
 b2 
 
b =  .  −→ Vetor dos termos independentes
 . 
.

bn
É comum também representar o sistema Ax = b pela sua matriz aumentada, isto é,
por:
 
a11 a12 ··· a1n | b1
 a21 a22 ··· a2n | b2 
 
[A | b] =  . . . . .  −→ Matriz aumentada do sistema
 .. .
.
.
.
.
. | .. 

an1 an2 ··· ann | bn

2 Marcone Jamilson Freitas Souza

Denição: Denomina-se vetor solução (ou simplesmente solução) de uma sistema Ax = b,

e denota-se por x̄ = [x̄1 , x̄2 , · · · , x̄n ]t , ao vetor das variáveis que contém os elementos
x̄j , j = 1, · · · , n, que satisfazem a todas as equações do sistema.

2 Classicação de um sistema com relação ao número

de soluções
Com relação ao número de soluções, um sistema linear pode ser classicado em:

(a) Compatível e determinado: Quando houver uma única solução;

(b) Compatível e indeterminado: Quando houver uma innidade de soluções;

(c) Incompatível: Quando o sistema não admitir solução;

3 Sistemas Triangulares
3.1 Sistema Triangular Superior
Denomina-se sistema triangular superior a todo sistema Ax = b em que aij = 0 ∀j < i,
ou seja, a sistemas da forma:


 a11 x1 + a12 x2 + a13 x3 + ··· + a1n xn = b1



 a22 x2 + a23 x3 + ··· + a2n xn = b2
a33 x3 + ··· + a3n xn = b3 (3.3)

 . . .

 .
.
.
.
.
.


ann xn = bn
Tais sistemas são resolvidos por substituições retroativas, por meio de equações da
forma:

∑
n
bi − aij xj
j=i+1
xi = ∀i = n, . . . , 1 (3.4)
aii

3.1.1 Discussão da solução

1. Se aii ̸= 0 ∀i =⇒ Sistema compatível e determinado;

2. Se aii = 0 para algum i há dois casos a analisar:

∑
n
(a) Se bi − aij xj = 0 =⇒ Sistema compatível e indeterminado
j=i+1
∑
n
(b) Se bi − aij xj ̸= 0 =⇒ Sistema incompatível
j=i+1

3.1.2 Algoritmo
Apresentamos, pela Figura 1, o pseudocódigo do procedimento que resolve um sistema
triangular superior por intermédio de substituições retroativas. Supõe-se neste procedi-
mento que aii ̸= 0 ∀i, isto é, que os elementos diagonais da matriz dos coecientes do
sistema são todos não-nulos.
Sistemas Lineares 3

procedimento SubstituicaoRetroativa(n,A,b,x);
1 xn ← bn /ann ;
2 parai de n − 1 até 1 passo −1 faça
3 SOMA ← 0;
4 para j de i + 1 até n faça
5 SOMA ← SOMA + aij × xj ;
6 m-para;
7 xi ← (bi − SOMA)/aii ;
8 m-para;
9 Retorne x; { Retorne o vetor solução }
m SubstituicaoRetroativa ;

Figura 1: Algoritmo para resolver sistemas triangulares superiores

3.2 Sistema Triangular Inferior

Denomina-se sistema triangular inferior a todo sistema Ax = b em que aij = 0 ∀j > i, ou
seja, a sistemas da forma:



 a11 x1 = b1

 a21 x1 + a22 x2 = b2
. . . . . (3.5)

 .
.
.
.
.
.
.
.
.
.


an1 x1 + an2 x2 + ··· + ann xn = bn

Tais sistemas são resolvidos por substituições progressivas através de equações da

forma:

∑
i−1
bi − aij xj
j=1
xi = ∀i = 1, . . . , n (3.6)
aii

3.2.1 Discussão da Solução

1. Se aii ̸= 0 ∀i =⇒ Sistema compatível e determinado;

2. Se aii = 0 para algum i há dois casos a considerar:

∑
i−1
(a) Se bi − aij xj = 0 =⇒ Sistema compatível e indeterminado
j=1

∑
i−1
(b) Se bi − aij xj ̸= 0 =⇒ Sistema incompatível
j=1

3.2.2 Algoritmo
O pseudocódigo do procedimento para resolver um sistema triangular inferior por meio
de substituições progressivas é mostrado na Figura 2. Supõe-se neste procedimento que
aii ̸= 0 ∀i.
4 Marcone Jamilson Freitas Souza

procedimento SubstituicaoProgressiva(n,A,b,x);
1 para i 1 até n faça
de
2 SOMA ← 0;
3 para j de 1 até i − 1 faça
4 SOMA ← SOMA + aij × xj ;
5 m-para;
6 xi ← (bi − SOMA)/aii ;
7 m-para;
8 Retorne x; { Retorne o vetor solução }
m SubstituicaoProgressiva ;

Figura 2: Algoritmo para resolver sistemas triangulares inferiores

4 Métodos Numéricos
Os métodos numéricos destinados a resolver sistemas lineares são divididos em dois grupos:
os métodos diretos e os métodos iterativos.

5 Métodos Diretos
São métodos que produzem a solução exata de um sistema, a menos de erros de arredon-
damento, depois de um número nito de operações aritméticas.
Com esses métodos é possível determinar, a priori, o tempo máximo gasto para resolver
um sistema, uma vez que sua complexidade é conhecida.
A clássica Regra de Cramer, ensinada no ensino médio, é um método direto. En-
tretanto, pode-se mostrar que o número máximo de operações aritméticas envolvidas na
resolução de um sistema n×n por este método é (n + 1)(n!n − 1) + n. Assim, um
computador que efetua uma operação aritmética em 10−8 segundos gastaria cerca de 36
dias para resolver um sistema de ordem n = 15. A complexidade exponencial desse
algoritmo inviabiliza sua utilização em casos práticos.
O estudo de métodos mais ecientes torna-se, portanto, necessário, uma vez que, em
geral, os casos práticos exigem a resolução de sistemas lineares de porte mais elevado.
Apresentaremos, a seguir, métodos mais ecientes, cuja complexidade é polinomial,
para resolver sistemas lineares. Antes, porém, introduziremos uma base teórica necessária
à apresentação de tais métodos.

Transformações elementares: Denominam-se transformações elementares as seguin-

tes operações efetuadas sobre as equações (ou linhas da matriz aumentada) de um
sistema linear:

1. Trocar duas equações:

Li ← Lj ;
Lj ← Li ;
2. Multiplicar uma equação por uma constante não-nula:
Lj ← c × Lj ; c ∈ R, c ̸= 0
3. Adicionar a uma equação um múltiplo de uma outra equação:
Lj ← Lj + c × Li ; c∈R
Sistemas Lineares 5

Sistemas equivalentes: Dois sistemas Ax = b e e = eb

Ax se dizem equivalentes se a
solução de um for também solução do outro.

Teorema: Seja Ax = b um sistema linear. Aplicando-se somente transformações elemen-

tares sobre as equações de Ax = b, obtemos um novo sistema e = eb,
Ax sendo que
Ax = b e e = eb são
Ax equivalentes.

5.1 Método de Gauss

O método de Gauss consiste em operar transformações elementares sobre as equações de
um sistema Ax = b até que, depois de n − 1 passos, se obtenha um sistema triangular su-
perior, U x = c, equivalente ao sistema dado, sistema esse que é resolvido por substituições
retroativas.
   ′ 
a11 a12 ··· a1n | b1 a11 a′12 ··· a′1n | b′1
 a21 a22 ··· a2n | b2   0 a′22 ··· a′2n | b′2 
  Transf. Elem.  
 .. . . . .  −
−−−−−−−−−−→  . . . . . 
 . .
.
.
.
.
. | ..   .. .
.
.
.
.
. | .. 
′
an1 an2 · · · ann | bn 0 0 ··· ann | b′n
| {z } | {z }
Ax=b U x=c

5.1.1 Descrição do Método

Para descrevermos o método, consideraremos o sistema linear 4×4 abaixo.



 7x1 + 4x2 − 2x3 + x4 = 14, 308

3x1 + 11x2 + 4x3 − 5x4 = 25, 744
(5.7)

 −2x1 + 3x2 + 8x3 + 2x4 = −3, 872

10x1 − 5x2 + x3 − 3x4 = 36, 334
A resolução deste sistema pelo método de Gauss envolve duas fases distintas. A pri-
meira, chamada de fase de eliminação, consiste em transformar o sistema dado em um
sistema triangular superior. A segunda, chamada de fase de substituição, consiste em
resolver o sistema triangular superior através de substituições retroativas.
Para aplicar a primeira fase, utilizemos o quadro abaixo, onde cada grupo de linhas re-
presenta um passo (ou estágio) da obtenção do sistema triangular superior. Trabalharemos
com 3 dígitos com arredondamento na apresentação em ponto utuante.

Tabela 1: Fase de eliminação

Linha Multiplicadores Coecientes Termos Transformações
das incógnitas Ind. Elementares
(0)
L1 7 4 -2 1 14,308
(0)
L2 m21 = −3/7 = −0, 429 3 11 4 -5 25,744
(0)
L3 m31 = 2/7 = 0, 286 -2 3 8 2 -3,872
(0)
L4 m41 = −10/7 = −1, 429 10 -5 1 -3 36,334
(1) (1) (0) (0)
L2 0 9,284 4,858 -5,429 19,606 L2 ← −0, 429 × L1 + L2
(1) (1) (0) (0)
L3 m32 = −4, 144/9, 284 = −0, 446 0 4,144 7,428 2,286 0,220 L3 ← 0, 286 × L1 + L3
(1) (1) (0) (0)
L4 m42 = 10, 716/9, 284 = 1, 154 0 -10,716 3,858 -4,429 15,888 L4 ← −1, 429 × L1 + L4
(2) (2) (1) (1)
L3 0 0 5,261 4,707 -8,524 L3 ← −0, 446 × L2 + L3
(2) (2) (1) (1)
L4 m43 = −9, 464/5, 261 = −1, 799 0 0 9,464 -10,694 38,513 L4 ← 1, 154 × L2 + L4
(3) (3) (2) (2)
L4 0 0 0 -19,162 53,848 L4 ← −1, 799 × L3 + L4
6 Marcone Jamilson Freitas Souza

Detalhemos a Tabela 1. Nela constam 3 passos:

Passo k = 1:
(0)
pivô: a11 = 7
(0)
Linha pivotal: L1
(0)
Objetivo: zerar os elementos abaixo do pivô a11 .
1 1
Ao nal do primeiro passo obtemos o sistema A x = b equivalente ao sistema dado,
em que:
 
7 4 −2 1 | 14, 308
 0 9, 284 4, 858 −5, 429 | 19, 606 
[A(1) | b(1) ] = 
 0

4, 144 7, 428 2, 286 | 0, 220 
0 −10, 716 3, 858 −4, 429 | 15, 888
Passo k = 2:
(1)
pivô: a22 = 9, 284
(1)
Linha pivotal: L2
(1)
Objetivo: zerar os elementos abaixo do pivôa22 .
(2)
Ao nal do segundo passo obtemos o sistema A x = b(2) equivalente ao sistema dado,
isto é:
 
7 4 −2 1 | 14, 308
 0 9, 284 4, 858 −5, 429 | 19, 606 
[A(2) |b ]=
(2)
 0

0 5, 261 4, 707 | −8, 524 
0 0 9, 464 −10, 694 | 38, 513
Passo k = 3:
(2)
pivô:a33 = 5, 261
(2)
Linha pivotal: L3
(2)
Objetivo: zerar os elementos abaixo do pivô a33 .
(3)
Ao nal do terceiro passo obtemos
 o sistema A x = b(3) equivalente
 ao sistema dado:
7 4 −2 1 | 14, 308
 0 9, 284 4, 858 −5, 429 | 19, 606 
[A(3) | b(3) ] = 
 0

0 5, 261 4, 707 | −8, 524 
0 0 0 −19, 162 | 53, 848

Portanto, ao nal de 3 passos, o sistema Ax = b, expresso por (5.7), foi transformado

no seguinte sistema triangular superior
3
A x = b3 , equivalente ao sistema original:


 7x1 + 4x2 − 2x3 + x4 = 14, 308

9, 284x2 + 4, 858x3 − 5, 429x4 = 19, 606
(5.8)

 5, 261x3 + 4, 707x4 = −8, 524

− 19, 162x4 = 53, 848
Terminada a fase de eliminação, passamos, agora, à fase de substituição, resolvendo o
sistema anterior por meio das seguintes substituições retroativas:
x4 = −53,848
19,162 = −2, 810
−8,524−4,707×(−2,810)
x3 = 5,261 = 0, 894
19,606+5,429×(−2,810)−4,858×0,894
x2 = 9,284 = 0, 001
x1 = 14,308−4×0,001+2×0,894+2,810
7 = 2, 700

Portanto, a solução do sistema é:

Sistemas Lineares 7

 
2, 700
 0, 001 
x̄ = 
 0, 894 


−2, 810

5.1.2 Avaliação do Resíduo/Erro

O erro ε produzido por uma solução x̄ do sistema Ax = b pode ser avaliado pela Equa-
ção (5.9):

ε = max |ri | (5.9)

1≤i≤n

sendo ri a i-ésima componente do vetor resíduo R, dado pela Equação (5.10):

R = b − Ax̄ (5.10)

Para o exemplo considerado, o vetor resíduo é:


     
14, 308 7 4 −2 1 2, 700 0, 002
 25, 744   3 11 4 −5   0, 001   0, 007 
R = b − Ax̄ =   
 −3, 872  −  −2
 = 
3 8 2   0, 894   −0, 007 
36, 334 10 −5 1 −3 −2, 810 0, 015

Assim, o erro ε cometido vale:

ε = max |ri | = max {|0, 002|, |0, 007|, | − 0, 007|, |0, 015|} = 0, 015
1≤i≤n 1≤i≤4

5.1.3 Algoritmo
Apresentamos, a seguir, o pseudocódigo do procedimento relativo à fase de eliminação
do método de Gauss. À ele se segue o procedimento de substituição retroativa descrito
à página 3. Esse algoritmo supõe que os elementos diagonais (akk ) são não-nulos. Na
hipótese de existir algum akk = 0, esse elemento deve ser colocado em outra posição fora
da diagonal principal, por intermédio de operações de troca de linhas e/ou colunas.

procedimento Eliminacao(n,A,b);
1 para k de 1 até n − 1 faça
2 para i de k + 1 até n faça
3 m ← −aik /akk ;
4 para j de k + 1 até n faça
5 aij ← aij + m × akj ;
6 m-para;
7 bi ← bi + m × bk ;
8 m-para;
9 m-para;
10 Retorne A e b; { Retorne a matriz aumentada modicada }
m Eliminacao ;

Figura 3: Algoritmo da fase de eliminação do método de Gauss

8 Marcone Jamilson Freitas Souza

Tabela 2: Complexidade de pior caso do Método de Gauss

Fase Divisões Multiplicações Adições Total
1 n−1 n(n − 1) n(n − 1)
2 n−2 (n − 1)(n − 2) (n − 1)(n − 2)
. . . .
. . . .
. . . .
n−1 1 (2).(1) (2).(1)
n(n−1)
Eliminação
2
1 3
3n − 13 n 1 3
3 n − 31 n 2 3
3n − 21 n2 − 67 n
n 0 + 1 + · · · + (n − 1) 0 + 1 + · · · + (n − 1)
n(n−1) n(n−1)
Substituição n 2 2 n2
2n − 6n 2n − 6n 3n + 2n − 6n
1 2 1 1 3 1 2 5 1 3 1 2 5 2 3 3 2 7
TOTAL
2n + 2n 3 n + 3 n +

5.1.4 Complexidade
Para avaliar o número máximo de operações aritméticas envolvidas na resolução de um
sistema n×n pelo método de Gauss, mostra-se, pela Tabela 2, a complexidade de pior
caso das fases de eliminação e substituição.
Na Tabela 2 são usados os seguintes resultados, dados pelas Equações (5.11) e (5.12):

∑
N
N (N − 1)
i= (5.11)
i=1
2

∑
N
N (N + 1)(2N + 1)
i2 = (5.12)
i=1
6
3
Como se observa, o método de Gauss tem complexidade polinomial O(n ). Um com-
−8
putador que faz uma operação aritmética em 10 segundos gastaria 0, 0000257 segundos
para resolver um sistema 15×15 (Um tempo innitamente inferior àquele gasto pela Regra
de Cramer, conforme dito à página 4).

5.1.5 Observações Finais

No método de Gauss, os multiplicadores do passo k da fase de eliminação são calculados
pela expressão:

(k−1)
(k) aik
mik = − (k−1)
∀i = k + 1, · · · , n (5.13)
akk
(k−1)
Observe que o pivô do k -ésimo passo da fase de eliminação é sempre akk , isto é, o
(k−1) (k−1)
elemento diagonal da matriz A do sistema transformado A x = b(k−1) obtido no
passo anterior.
Desvantagens do método de Gauss:

(i) Não pode ser aplicado quando o pivô for nulo (akk = 0);
(ii) Os erros de arredondamento cometidos durante um passo da obtenção do sistema
triangular se propagam para os passos seguintes, podendo comprometer a validade
da solução obtida.

Para contornar o problema (i) e minimizar o problema (ii), a ideia é usar uma estratégia
de pivoteamento, conforme a seguir se descreve.
Sistemas Lineares 9

5.2 O Método de Gauss com Pivotação Parcial

Esta estratégia de pivoteamento consiste em:

(i) No início da etapa k da etapa de eliminação, escolher para pivô o maior elemento,
em módulo, dentre os coecientes:

(k−1)
aik ; i = k, k + 1, · · · , n

(ii) Trocar as linhas k e i se necessário

Exemplo: Resolver o sistema a seguir, avaliando o erro cometido em cada caso:

{
0, 0002x1 + 2x2 = 5
(5.14)
2x1 + 2x2 = 6

(a) Pelo método de Gauss

(b) Pelo método de Gauss com pivotação parcial

Resolução do item (a):

A Tabela 3 apresenta a fase de eliminação do Método de Gauss aplicado ao sistema
linear 5.14.

Tabela 3: Fase de eliminação do Método de Gauss do sistema (5.14)

Linha Multiplicadores Coecientes Termos Transformações
das incógnitas Ind. Elementares
(0)
L1 0, 002 2 5
(0)
L2 m21 = −2/0, 002 = −104 2 2 6
(1) (1) (0) (0)
L2 0 -19998 -49994 L2 ← −10000 × L1 + L2

Tendo triangularizado a matriz dos coecientes do sistema (5.14), passemos à fase de

resolução do sistema triangular (5.15), o qual é equivalente ao sistema dado:

{
0, 0002x1 + 2x2 = 5
(5.15)
−19998x2 = −49994
cuja solução é:

[ ]
0, 0001
x̄ =
2, 4999

Avaliemos o resíduo R e o erro ε produzido por esta solução.

[ ] [ ] [ ]
5 4, 9998 0, 0002
R = b − Ax̄ = − =
6 5 1

ε = max |ri | = max {|0, 002|, |1|} = 1

1≤i≤n 1≤i≤2

Resolução do item (b):

A Tabela 4 apresenta a fase de eliminação do Método de Gauss, com pivotação parcial,
aplicado ao sistema linear (5.14).
10 Marcone Jamilson Freitas Souza

Tabela 4: Fase de eliminação do Método de Gauss c/ pivotação aplicado ao sistema (5.14)

Linha Multiplicadores Coecientes Termos Transformações
das incógnitas Ind. Elementares
(0)
L1 0, 0002 2 5
(0)
L2 2 2 6
(0)′ (0)′ (0)
L1 2 2 6 L1 ← L2
(0)′ (0)′ (0)
L2 m21 = −0, 0002/2 = −0, 0001 0,0002 2 5 L2 ← L1
(1) (1) (0)′ (0)′
L2 0 1,9998 4,9994 L2 ← −0, 0001 × L1 + L2

Finalizada a triangularização da matriz dos coecientes do sistema (5.14), passemos à

fase de resolução do sistema triangular (5.16), equivalente ao sistema dado:

{
2x1 + 2x2 = 6
(5.16)
1, 9998x2 = 4, 9994
cuja solução é:

[ ]
0, 5001
x̄ =
2, 4999

O resíduo R e o erro ε produzido por esta solução são apresentados a seguir.

[ ] [ ] [ ]
5 4, 9999 0, 0001
R = b − Ax̄ = − =
6 6, 0018 −0, 0018

ε = max |ri | = max {|0, 001|, | − 0, 0018|} = 0, 0018

1≤i≤n 1≤i≤2

Tais resultados mostram, claramente, a melhora obtida com a técnica de pivotação.

Observamos, nalmente, que a escolha do maior elemento em módulo entre os candi-
datos a pivô faz com que os multiplicadores, em módulo, estejam entre zero e um, o que
minimiza a ampliação dos erros de arredondamento.
Apresentamos, pela Figura 4, à página 11, o pseudocódigo do procedimento de Gauss
com pivoteamento parcial para resolver sistemas lineares. Neste procedimento, Ā é a
matriz aumentada do sistema, isto é, Ā = [A | b].

5.3 O Método de Gauss com Pivotação Completa

Nesta estratégia, no início do passo k da fase de eliminação é escolhido para pivô o elemento
de maior módulo dentre aqueles que ainda atuam no processo de eliminação, isto é:

(k−1)
Pivô = a(k−1)
rs = max |aij |;
∀ i,j≥k

Assim, após localizado o maior elemento em módulo da matriz sob transformação, é

necessário passá-lo para a posição akk . Para tanto, são feitas, se necessário, uma troca de
linhas e uma troca de colunas a cada passo k.
Esta estratégia, entretanto, não é muito
(k−1)
empregada, pois envolve uma comparação extensa entre os elementos aij , i, j ≥ k e
troca de linhas e colunas para posicionar o pivô. Todo este processo acarreta um esforço
computacional bem maior que a estratégia de pivoteamento parcial e nem sempre resulta
em ganho signicativo na qualidade da solução produzida.
Sistemas Lineares 11

procedimento GaussPivoteamentoParcial(n, Ā, x);

1 para k de 1 até n − 1 faça
2 w ← |akk |;
3 r ← k;
4 para i de k até n faça
5 se |aik | > w então
6 w ← |aik |;
7 r ← i;
8 m-se;
9 m-para;
10 para j de k até n + 1 faça
11 aux ← akj ;
12 akj ← arj ;
13 arj ← aux;
14 m-para;
15 para i de k + 1 até n faça
16 mik ← −aik /akk ;
17 para j de k + 1 até n + 1 faça
18 aij ← aij + mik × akj ;
19 m-para;
20 m-para;
21 m-para;
22 xn ← an,n+1 /ann ;
23 para i de n − 1 até 1 passo −1 faça
24 SOM A ← 0;
25 para j de i + 1 até n faça
26 SOM A ← SOM A + aij × xj ;
27 m-para;
28 xi ← (ai,n+1 − SOM A)/aii ;
29 m-para;
30 Retorne x; { Retorne o vetor solução }
m GaussPivoteamentoParcial(n,Ā,x);
Figura 4: Algoritmo do Método de Gauss com Pivoteamento Parcial

5.4 O Método da Decomposição LU

5.4.1 Introdução
Em muitas situações, é desejável resolver vários sistemas lineares nos quais a matriz dos
coecientes é a mesma. Nesses casos, é indicado resolver o sistema linear Ax = b por uma
técnica de decomposição da matriz A. Dentre as técnicas de decomposição mais utilizadas,
destacamos a da decomposição LU.

Por esta técnica, uma matriz A é decomposta como o produto de duas matrizes L e
U, sendo L uma matriz triangular inferior e U, uma matriz triangular superior, isto é:

A = L.U

Desta forma, podemos reescrever o sistema Ax = b na seguinte forma:

12 Marcone Jamilson Freitas Souza

Ax = (L.U )x = L.(U x) = b
Fazendo-seU x = y podemos resolver o sistema Ax = b em dois passos: Primeiramente,
resolvemos o sistema triangular inferiorLy = b, obtendo ȳ como solução. Em seguida, com
a solução ȳ obtida no passo anterior, resolvemos o sistema triangular superior U x = ȳ ,
obtendo x̄ como solução. Em outras palavras, decompomos a resolução de um sistema
linear na resolução de dois sistemas triangulares: o primeiro, triangular inferior, que se
resolve facilmente por substituições progressivas (basta aplicar o Algoritmo da Fig. 2,
considerando elementos diagonais unitários) e o segundo, triangular superior, que se resolve
por substituições retroativas (Algoritmo da Fig. 1).
Antes de descrevermos o método da decomposição LU com detalhes, apresentaremos
alguns conceitos necessários à sua fundamentação.

Denição: Seja A uma matriz quadrada de orden n, não-singular, isto é, det(A) ̸= 0.

Diz-se que A−1 é a inversa deA se AA−1 = A−1 A = I .
Teorema 2: Se A e B são matrizes de ordem n, inversíveis, então: (AB)−1 = B −1 A−1
Teorema 3: Se
   
1 0 0 1 0 0
M (0) =  m21 1 0  e M (1) =  0 1 0  então:
m31 0 1 0 m32 1
 
1 0 0
(i) (M (0) )−1 =  −m21 1 0 
−m31 0 1
 
1 0 0
(ii) (M (1) )−1 = 0 1 0 
0 −m32 1

5.4.2 Fatoração LU de uma matriz

Os fatores L e U podem ser obtidos utilizando-se a ideia básica do Método de Gauss.
Mostremos como isso pode ser feito fatorando-se uma matriz A genérica de ordem 3.

Tabela 5: Fatoração LU de uma matriz

Linha Multiplicadores Coecientes Transformações
das incógnitas Elementares
(0) (0) (0) (0)
L1 a11 a12 a13
(0) (0) (0) (0) (0) (0)
L2 m21 = −a21 /a11 a21 a22 a23
(0) (0) (0) (0) (0) (0)
L3 m31 = −a31 /a11 a31 a32 a33
(1) (1) (1) (1) (0) (0)
L2 0 a22 a23 L2 ← m21 × L1 + L2
(1) (1) (1) (1) (0) (0)
L3 m32 = −a32 /a22
(1) (1)
0 a32 a33 L3 ← m31 × L1 + L3
(2) (2) (2) (1) (1)
L3 0 0 a33 L3 ← m32 × L2 + L3

(0) (1)
Sejam A ,(0)A ,(0) A(2) , M (0)
 eM
(1)
matrizes denidas conforme a seguir:
(0)
a11 a12 a13
 (0) 
=  a(0) a22 a2n  −→ Matriz A original
(0)
A(0) 21
(0) (0) (0)
a31 a32 a33
Sistemas Lineares 13

 (0) (0) (0)


a a12 a13
 11 (1) 
a23  −→ Matriz obtida ao nal
(1)
A = 0
(1)
a22 do passo k=1
(1) (1)
0 a32 a33
 (0) (0) (0)

a a12 a13
 11 (1) 
a23  −→ Matriz obtida ao nal
(1)
A = 0
(2)
a22 do passo k=2
(2)
0 0 a33
   
1 0 0 1 0 0
M (0) =  m21 1 0  e M (1) =  0 1 0 
m31 0 1 0 m32 1
Observe que:

   (0) (0) (0)


1 0 0 a a12 a13
 11 (0) 
M (0) A(0) =  m21 1 0   a(0)
21
(0)
a22 a2n 
m31 0 1 (0) (0) (0)
a31 a32 a33
 (0) (0) (0)

a11 a12 a13
 (0) 
=  m21 a(0) (0)
11 + a21
(0) (0)
m21 a12 + a22
(0)
m21 a13 + a23 
(0) (0) (0) (0) (0) (0)
m31 a11 + a31 m31 a12 + a32 m31 a13 + a33
 (0) (0) (0)

a11 a12 a13
 (1) (1)  (1)
=  0 a22 a23 =A
(1) (1)
0 a32 a33

De forma análoga podemos mostrar que M (1) A(1) = A(2)

Resumindo, temos:
(0)
A =A
A(1) = M (0) A(0)
(1) (0)
A(2) = M (1) A |{z} = M (1) M (0) A (1)
|{z} = M M A
(0)

M (0) A(0) A
Logo:
(2)
A = M (1) M (0) A
Premultiplicando ambos os membros da expressão anterior pela inversa de M (1) M (0) ,
obtemos:
(M(1)
M (0) )−1 A(2) = (M (1) M (0) )−1 M (1) M (0) A = IA = A
| {z }
I
(0) −1
∴ A = (M (1)
= (M (0) )−1 (M (1) )−1 A(2)
M ) A (2)

    (0) (0) (0)


1 0 0 1 0 0 a11 a12 a13
 (1) 
∴ A =  −m21 1 0   0 1 0  0 (1)
a22 a23 
−m31 0 1 0 −m32 1 (2)
| {z }| {z }| 0 0
{z
a33
}
(M (0) )−1 (M (0) )−1 A(2)
  (0) (0) (0)

1 0 0 a a12 a13
  11 (1) 
∴ A= −m 21 1 0  0 (1)
a22 a23 
−m31 −m32 1 (2)
| {z }| 0 0
{z
a33
}
L U
14 Marcone Jamilson Freitas Souza

Assim, podemos concluir que A = LU , sendo:

(i) U é a matriz triangular superior obtida ao nal da fase de eliminação do método de

Gauss;

(ii) L é uma matriz triangular inferior, cujos elementos da diagonal principal são unitários
e abaixo de cada elemento diagonal lkk = 1 encontram-se os multiplicadores da etapa
k da fase de eliminação com sinal trocado.

5.4.3 O Método da Decomposição LU

Este método, também conhecido como Método de Doolittle, consiste na seguinte sequência
de passos:

(i) Obter a fatoração LU da matriz A;

(ii) Fazer U x = y;

(iii) Resolver o sistema triangular inferior Ly = b;

(iv) Obtida a solução ȳ do sistema Ly = b, resolver o sistema triangular superior U x = ȳ .

Exemplo: Resolver pelo Método da Decomposição LU o seguinte sistema linear:


 3x1 + 2x2 + 4x3 = 1
x1 + x2 + 2x3 = 2 (5.17)

4x1 + 3x2 − 2x3 = 3
(a) Obtenção da fatoração LU da matriz dos coecientes:

Tabela 6: Fatoração LU da matriz do sistema (5.17)

Linha Multiplicadores Coecientes Transformações
das incógnitas Elementares
(0)
L1 3 2 4
(0)
L2 m21 = −1/3 1 1 2
(0)
L3 m31 = −4/3 4 3 -2
.
(1) . (1) (0) (0)
L2 1/3 . 1/3 2/3 L2 ← −(1/3) × L1 + L2
.
(1) . (1) (0) (0)
L3 m32 = −(1/3)/(1/3) = −1 4/3 . 1/3 -22/3 L3 ← −(4/3) × L1 + L3
.
(2) . (2) (1) (1)
L3 4/3 1 . -8 L3 ← −1 × L2 + L3

Logo:
 
3 2 4
 ......     
  1 0 0 3 2 4
 . 
A(2) = .
 1/3 . 1/3 2/3  
 =⇒ L = 1/3 1 0
 e U =  0 1/3 2/3 
 .........  4/3 1 1 0 0 −8
 
.
.
4/3 1 . −8
(b) Resolução do sistema Ly = b:
Sistemas Lineares 15


 y1 + = 1 ⇒ y1 = 1
(1/3)y1 + y2 = 2 ⇒ y2 = 5/3

(4/3)y1 + y2 + y3 = 3 ⇒ y3 = 0
[ ]t
∴ ȳ = 1 5/3 0

(c) Resolução do sistema U x = ȳ :


 3x1 + 2x2 + 4x3 = 1 ⇒ x1 = −3
(1/3)x2 + (2/3)x3 = 5/3 ⇒ x2 = 5

−8x3 = 0 ⇒ x3 = 0
[ ]t
∴ x̄ = −3 5 0

A obtenção dos fatores L = [lij ] (com diagonal principal unitária) e U = [uij ] no

Método de Doolittle pode ser realizada utilizando as seguintes fórmulas:

u1j = a1j ∀j = 1, · · · , n
∑
i−1
uij = aij − lik ukj ∀j = i, · · · , n; i ≥ 2
k=1
li1 =
ai1
∀i = 2, · · · , n
u11 ( )
∑
j−1
lij =
1
ujj aij − lik ukj ∀i = j + 1, · · · , n; j ≥ 2
k=1

Figura 5: Fórmulas para obtenção dos fatores L e U

5.5 O Método da Decomposição LU com Pivotação Parcial

Para aplicar a estratégia de pivoteamento parcial ao Método da Decomposição LU faz-se
necessário armazenar um vetor de permutação P.
Mostremos por meio de um exemplo como o método funciona.
Seja resolver o seguinte sistema linear:


 3x1 − 4x2 + x3 = 9
x1 + 2x2 + 2x3 = 3 (5.18)

4x1 − 3x3 = −2
(a) Fatoração LU :
Passo k = 1:
A matriz dos coecientes e o vetor de permutação originais são:

   
3 −4 1 1
A(0) = 1 2 2  ; P (0) = 2 
4 0 −3 3

Dado que na coluna k=1 o maior elemento está na terceira linha, devemos permutar
as linhas L1 e L3 , o que resultará na seguinte matriz dos coecientes transformada:
16 Marcone Jamilson Freitas Souza

Tabela 7: Fatoração LU da matriz do sistema (5.18)

Linha Multiplicadores Coecientes Transformações Vetor
das incógnitas Elementares Permutação
(0)
L1 3 -4 1 1
(0)
L2 1 2 2 2
(0)
L3 4 0 -3 3
(0)′ (0)′ (0)
L1 4 0 -3 L1 ← L3 3
(0)
L2 m21 = −1/4 1 2 2 2
(0)′ (0)′ (0)
L3 m31 = −3/4 3 -4 1 L3 ← L1 1
. (0)′
(1) . (1) (0)
L2 1/4 . 2 11/4 L2 ← −(1/4) × L1 + L2 2
. ′ ′
(1) . (1) (0) (0)
L3 3/4 . -4 13/4 L3 ← −(3/4) × L1 + L3 1

(1)′ . (1)′
. (1)
L2 3/4 . -4 13/4 L2 ← L3 1

(1)′ . (1)′
. (1)
L3 m32 = −2/(−4) = 1/2 1/4 . 2 11/4 L3 ← L2 2
. ′ ′
(2) . (2) (1) (1)
L3 1/4 -1/2 . 35/8 L3 ← (1/2) × L2 + L3 2

  
4 0 −3 3
= 1 2  = 2 
′ ′
A(0) 2 ; P (0)
3 −4 1 1

Prosseguindo com o Método de Gauss, obtemos a seguinte matriz transformada ao

nal do passo k = 1:
   
4 0 −3 3
A(1) =  1/4 2 11/4  ; P (1) = 2 
3/4 −4 13/4 1

Passo k = 2:
Analogamente, dado que na coluna k = 2, o maior elemento está na terceira linha,
devemos permutar as linhas L2 e L3 , o que resultará na seguinte matriz dos coecientes
transformada:
  

4 0 −3 3
=  3/4 −4 13/4  = 1 
′ ′
A(1) ; P (1)
1/4 2 11/4 2

Encerrado o passo k = 2 obteremos:

  
4 0 −3 3
A(2) =  3/4 −4 13/4  ; P (2) = 1 
1/4 −1/2 35/8 2

A partir da matriz A(2) extraimos as matrizes L e U:

   
1 0 0 4 0 −3
L =  3/4 1 0  e U = 0 −4 13/4 
1/4 −1/2 1 0 0 35/8
Sistemas Lineares 17

(b) Resolução do sistema Ly = b̄:

em que b̄ é o resultado da aplicação do vetor de permutação ao vetor b.
[ ]t [ ]t [ ]t
Aplicando P (2) = 3 1 2 ao vetor b = 9 3 −2 , obtemos: b̄ = −2 9 3

 y1 + = −2 ⇒ y1 = −2
(3/4)y1 + y2 = 9 ⇒ y2 = 21/2

(1/4)y1 − (1/2)y2 + y3 = 3 ⇒ y3 = 35/4
[ ]t
∴ ȳ = −2 21/2 35/4

(c) Resolução do sistema U x = ȳ :


 4x1 + 0x2 − 3x3 = −2 ⇒ x1 = 1
− 4x2 + (13/4)x3 = 21/2 ⇒ x2 = −1

(35/8)x3 = 35/4 ⇒ x3 = 2
[ ]t
∴ x̄ = 1 −1 2

5.6 Método de Cholesky

t
Este método se aplica quando a matriz dos coecientes A é simétrica (A = A ) e denida
t
positiva (x Ax > 0 ∀x ̸= 0). Nesta situação, a matriz A pode ser fatorada em
A = LU = LLt , sendo os elementos lij de L obtidos a partir das seguintes fórmulas:
√
l11 =
√a11
∑
i−1
lii = aii − 2
lij ∀i = 2, · · · , n
j=1
li1 =
ai1
l11 ( ∀i = 2, · · · , n
)
∑
j−1
lij =
1
ljj aij − lik ljk ∀i = j + 1, · · · , n; j ≥ 2
k=1

Figura 6: Fórmulas para obtenção do fator L do Método de Cholesky

Conhecido o fator L, o sistema Lt = b

Ax = L |{z} é resolvido em dois passos. Primei-
y
ramente, resolvemos o sistema Ly = b, obtendo ȳ como solução. A seguir, resolvemos o
t
sistema L x = ȳ , obtendo x̄ como solução.
Observamos que em uma matriz denida positiva todos os autovalores da matriz são
positivos, isto é, são positivas todas as raízes do polinômio característico det(A − λI) = 0.
Devido à estabilidade numérica da decomposição de uma matriz simétrica denida po-
sitiva, não se faz necessário o uso da pivotação parcial na decomposição de Cholesky.

Exemplo: Seja resolver o seguinte sistema linear pelo Método de Cholesky:


 4x1 + 2x2 + 14x3 = 14
2x1 + 17x2 − 5x3 = −101 (5.19)

14x1 − 5x2 + 83x3 = 155
Solução:
18 Marcone Jamilson Freitas Souza

Procuremos coecientes lij tais que:

    
4 2 14 l11 0 0 l11 l21 l31
 2 17 −5  =  l21 l22 0  0 l22 l32 
14 −5 83 l31 l32 l33 0 0 l33
| {z } | {z }| {z }
A L Lt

Resolvendo-o, obtemos:
√ √
l11
= a11 = 4 = 2 l21 = al11
21
= 22 = 1 l31 = a31
= 14
=7
√ √ l11 2
= a22 − l21
l22 2 = 17 − 1 = 4
= l22 (a32 − l31 l21 ) = 14 (−5 − 7 × 1) = −3
l32 1
√ √
= a33 − l31
l33 2 − l2 =
32 83 − 72 − (−3)2 = 5
Conhecido o fator L, resolvamos, agora, o sistema triangular inferior Ly = b:

    
2 0 0 y1 14
 1 4 0   y2  =  −101 
7 −3 5 y3 155
[ ]t
cuja solução é: ȳ = 7 −27 5
O passo seguinte, agora, é resolver o sistema triangular superior U x = Lt x = ȳ :

    
2 1 7 x1 7
 0 4 −3   x2  =  −27 
0 0 5 x3 5

cuja solução é:

[ ]t
x̄ = 3 −6 1

5.7 Renamento da Solução

Em vista da possibilidade de existência de erros gerados nos cálculos dos multiplicadores,
(0)
em geral a solução x̄ de um sistema linear Ax = b não é exata. Isto é, o resíduo
R = b − Ax̄ produzido pela solução x̄(0) não é um vetor nulo.
(0) (0)
(1) (0)
Procuremos, então, uma solução x̄ melhor que x̄ na forma:

x̄(1) = x̄(0) + ∆(0) (5.20)

em que:
 (0)
  (0)

x̄1 δ1
 (0)   (0) 
 x̄2   δ2 
x̄(0) =
 .. 
 ; ∆(0) =
 .. 

 .   . 
(0) (0)
x̄n δn

isto é, ∆(0) é a parcela de correção do vetor x̄(0) .

Logo, podemos escrever:
(1)
Ax̄ =b
Sistemas Lineares 19

( )
A x̄(0) + ∆(0) = b
Ax̄(0) + A∆(0) = b
A∆(0) = b − Ax̄(0) = R(0)
∴ A∆(0) = R(0) , isto é, para determinarmos a parcela de correção ∆(0) basta resol-
(0)
vermos um sistema linear em que A é a matriz dos coecientes do sistema original e R
(0)
é o resíduo produzido pela solução x̄ .
Com isso, obteremos:
 (0) (0)

x̄1 + δ1
 (0) (0) 
 x̄2 + δ2 
x̄(1) = x̄(0) + ∆(0) =
 .


.
 . 
(0) (0)
x̄n + δn

Evidentemente, x̄(1)
também pode não ser uma boa solução. Neste caso, procura-
(2) (2)
remos uma solução ainda melhor x̄ , na forma: x̄ = x̄(1) + ∆(1) , sendo a parcela de
(1) (1)
correção ∆ obtida resolvendo-se o sistema A∆ = R(1) , no qual R(1) é o o resíduo
(1)
produzido pela solução aproximada x̄ .
Este processo é repetido até que uma das seguintes condições seja satisfeita:

(k)
(i) max |ri | < ε, sendo ε a precisão estabelecida;
1≤i≤n

(ii) k > ITERMAX, sendo ITERMAX o número máximo de iterações.

Obs.: Dado o fato de que no processo de renamento de uma solução devem ser resolvidos
vários sistemasA∆(k) = R(k) , com k = 1, 2, · · · , ITERMAX, sendo a matriz dos coeci-
entes a mesma, o método mais indicado é o da decomposição LU com pivotação parcial.

Exercício
Resolva o sistema (5.21), a seguir, pelo Método da Decomposição LU retendo durante os
(k)
cálculos 3 casas decimais (com truncamento). Rene a solução até que max |ri | < 0, 010
1≤i≤n
ou k>2 iterações.

 3x1 + 5x2 + 3x3 = 5
7x1 − 3x2 + x3 = 10, 416 (5.21)

2x1 + 4x2 − 5x3 = 19, 652
(a) Obtenção da fatoração LU da matriz dos coecientes:
A tabela 8 apresenta os passos relativos à fatoração LU , sem pivotação, da matriz dos
coecientes do sistema (5.21).
Desta tabela resulta a seguinte matriz:
 
3 5 3
 ........ 
 
 . 
A(2) = 
 2, 333 .
. −14, 665 −5, 999 

 .............. 
 
.
.
0, 666 −0, 045 . −7, 267
   
1 0 0 3 5 3
∴ L =  2, 333 1 0  e U =  0 −14, 665 −5, 999 
0, 666 −0, 045 1 0 0 −7, 267
20 Marcone Jamilson Freitas Souza

Tabela 8: Fatoração LU da matriz do sistema (5.21)

Linha Multiplicadores Coecientes Transformações
das incógnitas Elementares
(0)
L1 3 5 3
(0)
L2 m21 = −7/3 = −2, 333 7 -3 1
(0)
L3 m31 = −2/3 = −0, 666 2 4 -5

.
(1) . (1) (0) (0)
L2 2,333 . -14,665 -5,999 L2 ← −2, 333 × L1 + L2
.
(1) . (1) (0) (0)
L3 m32 = −(0, 670)/(−14, 665) = 0, 045 0,666 . 0,670 -6,998 L3 ← −0, 666 × L1 + L3
.
(2) . (2) (1) (1)
L3 0,666 -0,045 . -7,267 L3 ← 0, 045 × L2 + L3

(b) Determinação de x̄(0) :

(b.1) Resolução do sistema Ly = b:

 y1 + = 5 ⇒ y1 = 5
2, 333y1 + y2 = 10, 416 ⇒ y2 = −1, 249

0, 666y1 − 0, 045y2 + y3 = 19, 652 ⇒ y3 = 16, 265
[ ]t
∴ ȳ = 5 −1, 249 16, 265

(b.2) Resolução do sistema U x = ȳ :


 3x1 + 5x2 + 3x3 = 5 ⇒ x1 = 2, 238
− 14, 665x2 − 5, 999x3 = −1, 249 ⇒ x2 = 1, 000

− 7, 267x3 = 16, 265 ⇒ x3 = −2, 238
[ ]t
∴ x̄(0) = 2, 238 1, 000 −2, 238

(b.3) Avaliação de R(0) :

      
5 3 5 3 2, 238 0
R(0) = b − Ax̄(0) =  10, 416  −  7 −3 1   1, 000  =  −0, 012 
19, 652 2 4 −5 −2, 238 −0, 014

(k)
Como max |ri | = 0, 014 > 0, 010 devemos prosseguir com o renamento da solução
1≤i≤3
atual x̄(0) .
(c) Determinação de x̄(1) :
Como x̄(1) = x̄(0) + ∆(0) ,
então para calcular a nova solução x̄
(1)
, devemos obter a
(0) (0)
parcela ∆ , a qual é obtida resolvendo-se o sistema linear A∆ = R(0) .
(c.1) Resolução do sistema Ly = R(0) :

 y1 + = 0 ⇒ y1 = 0
2, 333y1 + y2 = −0, 012 ⇒ y2 = −0, 012

0, 666y1 − 0, 045y2 + y3 = −0, 014 ⇒ y3 = −0, 014
[ ]t
∴ ȳ = 0 −0, 012 −0, 014
Sistemas Lineares 21

(c.2) Resolução do sistema U ∆(0) = ȳ :

 (1)
 3δ + 5δ (2) + 3δ (3) = 0 ⇒ δ (1) = −0, 001
− 14, 665δ (2) − 5, 999δ (3) = −0, 012 ⇒ δ (2) = 0, 000

− 7, 267δ (3) = −0, 014 ⇒ δ (3) = 0, 001
[ ]t
∴ ∆(0) = −0, 001 0, 000 0, 001
(c.3) Determinação da nova solução x̄(1) :
     
2, 238 −0, 001 2, 237
x̄(1) = x̄(0) + ∆(0) =  1, 000  +  0, 000  =  1, 000 
−2, 238 0, 001 −2, 237
(c.4) Avaliação de R(1) :
      
5 3 5 3 2, 237 0, 000
R(1) = b − Ax̄(1) =  10, 416  −  7 −3 1   1, 000  =  −0, 006 
19, 652 2 4 −5 −2, 237 −0, 007
(k)
Comomax |ri | = 0, 007 < 0, 010, concluimos que x̄(1) é a solução do sistema (5.21)
1≤i≤3
com a precisão requerida.

5.8 Métodos Iterativos

Tratam-se de métodos nos quais a solução x̄ de um sistema linear Ax = b é obtida como
limite de uma sequência de aproximações sucessivas
(0) (1)
x̄ (2)
, x̄ , x̄ , · · · , x̄(k) , · · · , sendo
(0)
dada uma aproximação inicial x̄ , isto é:

x̄ = lim x̄(k) (5.22)

k→∞

5.8.1 Método de Jacobi

Seja o sistema linear Ax = b em sua forma expandida:


 a11 x1 + a12 x2 + · · · + a1n xn = b1

 a21 x1 + a22 x2 + · · · + a2n xn = b2
. . . . . . . . .

 .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.


an1 x1 + an2 x2 + · · · + ann xn = bn
Explicitemos x1 na primeira equação, x2 na segunda equação e assim sucessivamente.

b1 − (a12 x2 + a13 x3 + · · · + a1n xn )

x1 =
a11
b2 − (a21 x1 + a23 x3 + · · · + a2n xn )
x2 =
a22
.
.
.

bn − (an1 x1 + an2 x2 + · · · + an,n−1 xn−1 )

xn =
ann
22 Marcone Jamilson Freitas Souza

O método de Jacobi consiste na seguinte sequência de passos:

[ ]t
(0) (0) (0)
(i) Escolher uma aproximação inicial x(0) = x1 x2 ··· xn arbitrária;

(ii) Gerar aproximações sucessivas x(k) a partir de x(k−1) com base nas seguintes equações
de iteração:

(k−1) (k−1) (k−1)

(k) b1 − (a12 x2 + a13 x3 + · · · + a1n xn )
x1 =
a11
(k−1) (k−1) (k−1)
(k) b2 − (a21 x1 + a23 x3 + · · · + a2n xn )
x2 =
a22
.
.
.
(k−1) (k−1) (k−1)
bn − (an1 x1 + an2 x2 + · · · + an,n−1 xn−1 )
x(k)
n =
ann

(k)
Sinteticamente, cada componente xi é determinada com base na seguinte equação:

∑
n
(k−1)
bi − aij xj
j=1
(k) j̸=i
xi = ∀i = 1, 2, · · · , n (5.23)
aii

Na forma matricial:

x(k) = J.x(k−1) + D ∀k = 1, 2, · · · (5.24)

sendo J e D denidas de acordo com (5.25) e (5.26). A matriz J é conhecida como

matriz de iteração de Jacobi.

 
0 −a12 /a11 −a13 /a11 ··· −a1n /a11
 −a21 /a22 0 −a23 /a22 ··· −a2n /a22 
 
J = . . . . .  (5.25)
 .
.
.
.
.
.
.
.
.
. 
−an1 /ann −an2 /ann −an3 /ann ··· 0
 
b1 /a11
 b2 /a22 
 
D= .  (5.26)
 .
. 
bn /ann

(iii) Interromper o processo quando um dos critérios abaixo for satisfeito:

(k) (k−1)
(1) max |xi − xi | < ε, em que ε é a tolerância permitida;
1≤i≤n

(2) k > ITERMAX, em que ITERMAX é o número máximo de iterações.

Sistemas Lineares 23

Exemplo:
Resolver o sistema (5.27), a seguir, pelo método de Jacobi usando como aproximação
[ ]t (k) (k−1)
e como critério de parada max |xi − xi | < 0, 001 ou
(0)
inicial x = 0 0 0
1≤i≤3
k > 10 iterações:

 10x1 + 2x2 + x3 = 7
x1 − 15x2 + x3 = 32 (5.27)

2x1 + 3x2 + 10x3 = 6
(a) Equações de iteração:

x(k) = J.x(k−1) + D, em que:

   
0 −2/10 −1/10 7/10
J =  1/15 0 1/15  D =  −32/15 
−2/10 −3/10 0 6/10

(k−1) (k−1)
(k) 7 − 2x2 − x3
x1 =
10
(k−1) (k−1)
(k) 32 − x1 − x3
x2 =
−15
(k−1) (k−1)
(k) 6 − 2x1 − 3x2
x3 =
10

(b) Determinação da solução do sistema:

(k) (k) (k) (k) (k−1)

k x1 x2 x3 Erro = max |xi − xi |
1≤i≤3
0 0 0 0 -
1 0,7000 -2,1333 0,6000 2,1333
2 1,0667 -2,0467 1,1000 0,5000
3 0,9993 -1,9889 1,0007 0,0993
4 0,9977 -2,0000 0,9968 0,0111
5 1,0003 -2,0004 1,0005 0,0037
6 1,0000 -1,9999 1,0000 0,0004
[ ]t
Portanto, x̄ = 1, 0000 −1, 9999 1, 0000 é a solução do sistema (5.27) com pre-
cisão ε < 0, 001.

5.8.2 Convergência do Método de Jacobi

Seja o sistema Ax = b posto na forma x = Jx + D, sendo J = (fij )n×n e:

{
0 se i = j
fij =
−aij /ajj se i ≠ j
Se x̄ é a solução de Ax = b então podemos escrever:

x̄ = J x̄ + D (5.28)
24 Marcone Jamilson Freitas Souza

Por outro lado, as equações de iteração no Método de Jacobi são:

x(k) = Jx(k−1) + D ∀k = 1, 2, · · · (5.29)

Fazendo (5.29) - (5.28), obtemos:

( )
x(k) − x̄ = J x(k−1) − x̄ ∀k = 1, 2, · · · (5.30)

Seja E (k) = x(k) − x̄ o erro cometido na k -ésima iteração. Logo:

E (k) = J.E (k−1) ∀k = 1, 2, · · · (5.31)

Ou, em termos de componentes:

 (k)

 e1 = 0e1
(k−1)
+ f12 e2
(k−1)
+ ··· f1n en
(k−1)


 e(k) =
(k−1)
f21 e1 + 0e2
(k−1)
+ ···
(k−1)
f2n en
2
(5.32)
 ...

.
.
.
.
.
.
.
.


. . . .
 (k) (k−1) (k−1) (k−1)
en = fn1 e1 + fn2 en + ··· 0en
Aplicando propriedades de módulo sobre as equações do sistema (5.32), obtemos:

∑
n
(k) (k−1)
∑
n
(k−1)
∑
n ∑
n
|ei | ≤ e1 |fi1 | + e2 |fi2 | + · · · + e(k−1)
n |fin | (5.33)
i=1 i=1 i=1 i=1
i̸=1 i̸=2 i̸=n

Teorema: (Critério das colunas) É condição suciente para que o Método de Jacobi
convirja que:

∑
n
|ajj | > |aij | ∀j = 1, 2, · · · , n (5.34)
i=1
i̸=j

O critério das colunas estabelece que se os elementos diagonais forem dominantes nas
colunas, então o Método de Jacobi converge, independentemente da solução inicial.
Provaremos, agora, esse fato.
Prova:

Hipótese: Os elementos diagonais são dominantes nas colunas

(k)
Tese: ei → 0, isto é, x(k) → x̄
A partir da hipótese, isto é, do fato de que:

∑
n
|ajj | > |aij | ∀j = 1, 2, · · · , n
i=1
i̸=j

podemos escrever:

∑n
aij
<1 ∀j = 1, 2, · · · , n
i=1
ajj
i̸=j
Sistemas Lineares 25

∑
n
∴ |fij | < 1 ∀j = 1, 2, · · · , n
i=1
i̸=j

∑
n
Seja |fij | < L < 1 ∀j = 1, 2, · · · , n. Levando esse resultado na expressão (5.33),
i=1
i̸=j
obtemos:

∑
n
(k)
∑
n
(k−1)
ei ≤L ei ∀k = 1, 2, · · ·
i=1 i=1

Fazendo k = 1, 2, 3, · · · podemos escrever:

∑
n
(1)
∑
n
(0)
ei ≤L ei
i=1 i=1
∑
n
(2)
∑
n
(1)
∑
n
(0)
ei ≤L ei ≤ L2 ei
i=1 i=1 i=1
.
.
.

∑
n
(k)
∑
n
(0)
ei ≤ Lk ei
i=1 i=1

Tendo em vista que 0 < L < 1, então fazendo k → ∞, obteremos:

∑
n
(k)
lim ei →0
k→∞
i=1

(k) (k)
Do resultado anterior extraímos que ei → 0 =⇒ ei → 0 ∀i = 1, 2, · · · , n. Assim,
(k) (k) (k)
como ei = xi − x̄i ∀i, obteremos: xi → x̄i =⇒ x (k)
→ x̄, conforme queríamos
demonstrar.

5.8.3 Algoritmo do Método de Jacobi

A Figura 7, a seguir, apresenta o pseudocódigo do Método de Jacobi. Tol é a tolerância
admitida, ITERMAX é o número máximo de iterações permitida e x é o vetor solução, o
qual começa com uma aproximação inicial.
26 Marcone Jamilson Freitas Souza

procedimento Jacobi(n, A, b, ITERMAX, Tol, x);

1 PARE ← FALSE ;
2 k ← 0;
3 erro ← ∞;
4 enquanto (k < ITERMAX e erro ≥ Tol) faça
5 erro ← 0;
6 para i de 1 até n faça
7 xanti ← xi ;
8 m-para;
9 para i 1 até n faça
de
10 soma ← 0;
11 para j de 1 até n faça
12 se (j ̸= i) então soma ← soma + aij · xantj ;
13 m-para;
14 xi ← (bi − soma)/aii ;
15 se (|xi − xanti | > erro) então
16 erro ← |xi − xanti |;
17 m-se;
18 m-para;
19 k ← k + 1;
20 m-enquanto;
21 se (erro < Tol ) então
22 Retorne x; { Retorne o vetor solução }
23 senão
24 Imprima: Não houve convergência em ITERMAX iterações
m Jacobi

Figura 7: Algoritmo do Método Iterativo de Jacobi

5.8.4 Método de Gauss-Seidel

Este método difere do anterior apenas com relação às equações de iteração, as quais são:

(k−1) (k−1) (k−1)

(k) b1 − (a12 x2 + a13 x3 + · · · + a1n xn )
x1 =
a11
(k) (k−1) (k−1)
(k) b2 − (a21 x1 + a23 x3 + · · · + a2n xn )
x2 =
a22
(k) (k) (k−1)
(k) b3 − (a31 x1 + a32 x2 + · · · + a3n xn )
x3 =
a33
.
.
.
(k) (k) (k)
bn − (an1 x1 + an2 x2 + · · · + an,n−1 xn−1 )
x(k)
n =
ann

Sinteticamente:
Sistemas Lineares 27

∑
i−1
(k) ∑
n
(k−1)
bi − aij xj − aij xj
(k) j=1 j=i+1
xi = ∀i = 1, 2, · · · , n (5.35)
aii
Na forma matricial, o Método de Gauss-Seidel pode ser posto na forma:

x(k) = Lx(k) + U x(k−1) + D (5.36)

sendo:  
0 0 0 ··· 0
 −a21 /a22 0 0 ··· 0 
 
 −a31 /a33 −a32 /a33 0 ··· 0 
L= 
 . . . . . 
 .
.
.
.
.
.
.
.
.
. 
−an1 /ann −an2 /ann −an3 /ann ··· 0
 
0 −a12 /a11 −a13 /a11 ··· −a1n /a11
 0 0 −a23 /a22 ··· −a2n /a22 
 
 0 0 0 ··· −a31 /a33 
U = 
 .. . . . . 
 . .
.
.
.
.
.
.
. 
0 0 0 ··· 0
 
b1 /a11
 b2 /a22 
 
D= . 
 .
. 
bn /ann
A Equação (5.36) pode ser escrita na forma x(k) = Gx(k−1) + D̄. De fato, a partir de
(5.36), podemos escrever:
x (k)
− Lx
(k) (k−1)
= Ux +D

(I − L) x(k) = U x(k−1) + D
−1 −1
x(k) = (I − L) U x(k−1) + (I − L) D
| {z } | {z }
G D̄

∴x (k)
= Gx(k−1)
+ D̄.

A matriz G, dada pela equação (5.37), é a chamada matriz de iteração de Gauss-

Seidel.

G = (I − L)−1 U (5.37)

Exemplo:
Resolver o sistema abaixo (que é o mesmo sistema 5.27 usado para exemplicar o Mé-
(0)
todo de Jacobi) pelo Método de Gauss-Seidel usando como aproximação inicial x =
[ ]t (k) (k−1)
0 0 0 e como critério de parada max |xi − xi | < 0, 001 ou k > 10 iterações:
1≤i≤3

 10x1 + 2x2 + x3 = 7
x1 − 15x2 + x3 = 32

2x1 + 3x2 + 10x3 = 6
28 Marcone Jamilson Freitas Souza

(a) Equações de iteração:

x(k) = (k)
 Lx + U x
(k−1)
+ D, onde:    
0 0 0 0 −2/10 −1/10 7/10
L =  1/15 0 0  , U = 0 0 1/15  e D =  −32/15 
−2/10 −3/10 0 0 0 0 6/10

(k−1) (k−1)
(k) 7 − 2x2 − x3
x1 =
10
(k) (k−1)
(k) 32 − x1 − x3
x2 =
−15
(k) (k)
(k) 6 − 2x1 − 3x2
x3 =
10

(b) Determinação da solução do sistema:

(k) (k) (k) (k) (k−1)

k x1 x2 x3 Erro = max |xi − xi |
1≤i≤3
0 0 0 0 -
1 0,7000 -2,0867 1,0860 2,0867
2 1,0087 -1,9937 0,9964 0,3087
3 0,9991 -2,0003 1,0003 0,0096
4 1,0000 -2,0000 1,0000 0,0009
[ ]t
Portanto, x̄ = 1, 0000 −2, 0000 1, 0000 é a solução do sistema (5.27) com pre-
cisão ε < 0, 001.

5.8.5 Algoritmo do Método de Gauss-Seidel

A Figura 8, a seguir, apresenta o pseudocódigo do Método de Gauss-Seidel. Tol é a
tolerância admitida, ITERMAX é o número máximo de iterações permitida e x é o vetor
solução, o qual começa com uma aproximação inicial.

5.8.6 Convergência dos Métodos Iterativos

Para os métodos iterativos de Jacobi e Gauss-Seidel são válidos os seguintes critérios de
convergência:

CRITÉRIO DAS COLUNAS: É condição suciente para que um sistema linear con-
virja usando um método iterativo que:

∑
n
|ajj | > |aij | ∀j = 1, 2, · · · , n
i=1
i̸=j

∑n
i=1 |aij |
i̸=j
Além do mais, quanto mais próximo de zero estiver a relação max , mais
1≤j≤n |ajj |
rápida será a convergência.
Sistemas Lineares 29

procedimento Gauss-Seidel(n, A, b, ITERMAX, Tol, x);

1 PARE ← FALSE ;
2 k ← 0;
3 erro ← ∞;
4 enquanto (k < ITERMAX e erro ≥ Tol) faça
5 erro ← 0;
6 para i de 1 até n faça
7 xant ← xi ;
8 soma ← 0;
9 para j de 1 até n faça
10 se (j ̸= i) então soma ← soma + aij · xj ;
11 m-para;
12 xi ← (bi − soma)/aii ;
13 se (|xi − xant| > erro) então
14 erro ← |xi − xant|;
15 m-se;
16 m-para;
17 k ← k + 1;
18 m-enquanto;
19 se (erro < Tol ) então
20 Retorne x; { Retorne o vetor solução }
21 senão
22 Imprima: Não houve convergência em ITERMAX iterações
m Gauss-Seidel

Figura 8: Algoritmo do Método Iterativo de Gauss-Seidel

CRITÉRIO DAS LINHAS: É condição suciente para que um sistema linear convirja
usando um método iterativo que:

∑
n
|aii | > |aij | ∀i = 1, 2, · · · , n
j=1
j̸=i
∑n
j=1 |aij |
j̸=i
Além do mais, quanto mais próximo de zero estiver a relação max , mais
1≤i≤n |aii |
rápida será a convergência.

CRITÉRIO DE SASSENFELD: Seja

∑
i−1 ∑
n
(|aij | ∗ βj ) + |aij |
j=1 j=i+1
βi = (5.38)
|aii |

É condição suciente para que um método iterativo convirja, que:

β = max βi < 1
1≤i≤n

Além disso, quanto menor for β mais rápida será a convergência.

30 Marcone Jamilson Freitas Souza

CRITÉRIO DO RAIO ESPECTRAL: É condição necessária e suciente para que

um método iterativo convirja que ρ(F ) < 1, isto é, que o raio espectral (maior
autovalor, em módulo) da matriz de iteração do método seja menor que a unidade.
Além disso, quanto mais próximo de zero for ρ(F ) mais rápida será a convergência.

Exemplo 1:
Vericar se há garantia de convergência do sistema a seguir usando um método iterativo.


 3x1 + x3 = 3
x1 − x2 = 1 (5.39)

2x1 + x2 + 3x3 = 9
(a) Critério das colunas:

|a11 | = |3| = 3 ̸> |a21 | + |a31 | = |1| + |2| = 3

|a22 | = | − 1| = 1 ̸> |a12 | + |a32 | = |1| + |0| = 2

|a33 | = |3| = 3 > |a13 | + |a23 | = |2| + |1| = 3

Como o critério das colunas não é vericado para as colunas 1 e 2 (bastava que não fosse
satisfeito para uma única coluna), concluimos que esse critério não garante convergência
se usarmos um método iterativo.

(b) Critério das linhas:

|a11 | = |3| = 3 > |a12 | + |a13 | = |0| + |1| = 1

|a22 | = | − 1| = 1 ̸> |a21 | + |a23 | = |1| + |0| = 1

|a33 | = |3| = 3 ̸> |a31 | + |a32 | = |2| + |1| = 3

Como o critério das linhas não é vericado para as linhas 2 e 3, concluimos que não há
garantia de convergência, por esse critério, se usarmos um método iterativo.

(c) Critério de Sassenfeld:

|a12 |+|a13 |
β1 = |a11 | = |0|+|1|
|3| = 1/3
|a21 |×β1 +|a23 | |1|× 13 +|0|
β2 = |a22 | = |−1| = 1/3
|2|× 13 +|1|× 13
β3 = |a31 |×β|a
1 +|a32 |×β2
33 |
= |3| = 1/3
β = max βj = max{ 13 , 13 , 13 } = 31
1≤i≤3

Como β = 1/3 < 1 resulta que o critério de Sassenfeld foi satisfeito. Portanto, pode-se
aplicar um método iterativo ao sistema (5.39), uma vez que há garantia de convergência
do mesmo.

Exemplo 2:
Vericar se há garantia de convergência do sistema a seguir usando um método itera-
tivo.
Sistemas Lineares 31


 0, 5x1 + 0, 6x2 + 0, 3x3 = 0, 2
x1 + x2 + x3 = 0 (5.40)

0, 4x1 − 0, 4x2 + 1x3 = −0, 6

Solução:
Claramente os critérios da linha e da coluna não se aplicam. Apliquemos, então, o
critério do raio espectral. As matrizes de iteração dos métodos de Jacobi e Gauss-Seidel,
dadas respectivamente por (5.25) e (5.37), são:

 
0 −1, 2 −0, 6
J =L+U =  −1 0 −1  =⇒ ρ(J) = 1, 1200
−0, 4 0, 4 0

 
0 −1, 2 −0, 6
G = (I − L)−1 U =  0 1, 2 −0, 4  =⇒ ρ(G) = 0, 6928
0 0, 96 0, 08

Como ρ(J) > 1 e ρ(G) < 1 então somente pelo Método de Gauss-Seidel haverá con-
vergência.
Observação: Para o cálculo do raio espectral de uma matriz A, lembre que ele é o maior
autovalor (λ) da equação característica, dada por det(A - λI)=0, em que I é a matriz
identidade, λ são os autovalores e det é o determinante. A equação característica do
método de Jacobi aplicado à matriz dos coecientes do sistema dado é:

−λ −1, 2 −0, 6
det(J − λI) = −1 −λ −1 = −λ3 + 1, 04λ − 0, 24 = 0
−0, 4 0, 4 −λ

Resolvendo-se a equação λ3 − 1, 04λ + 0, 24 = 0 por um método numérico, encontra-se

como maior autovalor, λ=1,1200. Assim, ρ(J) = 1, 1200.
Igualmente, resolvendo-se a equação característica do método de Gauss-Seidel, dada
abaixo, encontra-se como maior autovalor λ=0,6928. Assim, ρ(G) = 0, 6928.

−λ −1, 2 −0, 6
det(G − λI) = 0 1, 2 − λ −0, 4 =0
0 0, 96 0, 08 − λ

5.9 Cálculo de Determinantes

Um subproduto da resolução de sistemas lineares por meio de métodos diretos é o cálculo
de determinantes. Mostremos como calcular o determinante de uma matriz pelo Método
da Decomposição LU .
Como vimos, a matriz A pode ser decomposta como produto de dois fatores L e U ,
onde L é uma matriz triangular inferior com elementos diagonais unitários e U uma matriz
triangular superior, isto é: A = LU . Assim, podemos escrever:
32 Marcone Jamilson Freitas Souza

det(A) = det(L.U ) = (det(L)) × (det(U ))

(n ) ( n )
∏ ∏
= lii × uii
i=1 i=1
∏
n
= uii = produto dos pivôs
i=1

No caso de haver pivoteamento:

det(A) = (−1)k det(L.U ) = (−1)k × produto dos pivôs

sendo k o número de trocas de linhas que ocorreram durante o processo de decomposição.

Exemplo:
Na decomposição LU da matriz
 
3 −4 1
A= 1 2 2 
4 0 −3

com decomposição parcial, obtemos os seguintes fatores L e U:

   
1 0 0 4 0 −3
L =  3/4 1 0  e U = 0 −4 13/4 
1/4 −1/2 1 0 0 35/8

com 2 trocas de linhas. Logo:

det(A) = (−1)k det(L.U ) = (−1)2 × 4 × (−4) × 35/8 = −70

5.10 Sistemas Lineares Complexos

Um sistema linear Ax = b é dito complexo se seus elementos são números complexos, isto
é, se:

A = M + Ni
x = s + ti
b = c + di

sendo M e N matrizes n × n, s, t, c, d vetores n×1 e i2 = −1.

Exemplo: Dado o sistema linear complexo:

{
(2 + 3i)x1 + (4 − 2i)x2 = 3 + 5i
(5.41)
7ix1 − 4x2 = 9 + 3i
temos:
[ ] [ ] [ ]
2 + 3i 4 − 2i s1 + t1 i 3 + 5i
A= , x= , b=
7i −4 s2 + t2 i 9 + 3i
Sistemas Lineares 33

[ ] [ ] [ ] [ ]
2 4 3 −2 3 5
∴ M= , N= , c= , d=
0 −4 7 0 9 3

Para descomplexicar esse sistema procedemos como segue:

Ax = b
(M + N i)(s + ti) = (c + di)
M s + N si + M ti + N ti2 = c + di
M s + N si + M ti − N t = c + di
M s − N t + (N s + M t)i = c + di
Como duas entidades complexas são iguais se forem iguais as suas partes real e imagi-
nária, então:

{
Ms − Nt = c
Ns + Mt = d

As equações anteriores formam um sistema linear de coecientes reais, cujas incógnitas

são os vetores s e t, que pode ser resolvido por qualquer um dos métodos apresentados
anteriormente. Esse sistema pode ser colocado na seguinte forma matricial:

[ ][ ] [ ]
M −N s c
=
N M t d

Exemplo: Resolver o sistema (5.41) por qualquer método numérico.

5.11 Cálculo da Inversa de uma Matriz

Seja An×n a matriz que se deseja inverter. Se An×n possui a inversa Xn×n então AX = I .
Sejam X1 , X2 , · · · , Xn as colunas de X . Para determinar a matriz inversa faz-se ne-
cessário resolver n sistemas lineares cuja matriz dos coecientes é a mesma, isto é, devem
ser resolvidos os sistemas:
AX1 = ( 1 0 0 ··· 0 )t
AX2 = ( 0 1 0 ··· 0 )t
.
.
.
AXn = ( 0 0 0 ··· 1 )t
O método mais indicado para calcular a inversa de uma matriz é o Método da Decom-
posição LU , uma vez que é necessário resolver vários sistemas lineares em que a matriz
dos coecientes é a mesma.

Exercício:
Aplicar o método anterior para encontrar a inversa da matriz:

 
3 5 3
A =  7 −3 1 
2 4 −5

5.12 Comparação entre Métodos

A Tabela 9 compara os métodos iterativos e diretos com relação a vários aspectos.
34 Marcone Jamilson Freitas Souza

Tabela 9: Comparação entre os métodos numéricos

Item Método Direto Método Iterativo
Convergência A solução é sempre obtida Há garantia de obter solução
somente sob certas condições
Número de É possível determinar a priori Não é possível determinar a
operações o número de operações necessárias princípio a complexidade
Esparsidade Destrói a esparsidade da matriz Preserva a esparsidade da
durante a fase de eliminação matriz
Erros de Os erros aparecem durante a Apenas a solução corrente é
arredondamento aplicação das transformações sujeita a erro. Não há
elementares sobre as equações propagação dos erros porque
do sistema. Esse erro se propaga são usados os coecientes
porque as transformações de cada originais da matriz A e vetor
fase são realizadas a partir de b no cálculo das componentes
equações transformadas da fase da solução.
anterior, as quais estão sujeitas
a erros. Essa propagação de erros
pode ser minimizada usando-se
técnicas de pivoteamento.

5.13 Mal Condicionamento de Sistemas Lineares

Resolva os sistemas lineares (a) e (b) a seguir e compare suas soluções.

{ {
x − y = 1 x − y = 1
(a) e (b)
x − 1, 00001y = 0 x − 0, 99999y = 0

O que aconteceu e por quê? Esta é uma situação em que o sistema é dito mal condi-
cionado.
Dizemos que um sistema é bem condicionado (estável) se pequenas mudanças nos coe-
cientes e nos termos independentes acarretam pequenas mudanças na solução do sistema.
No caso de sistemas mal condicionados, pequenas mudanças nos dados de entrada
provocam grandes variações na solução nal.
Um critério prático para vericar se um sistema é mal condicionado consiste em avaliar
o determinante normalizado da matriz dos coecientes, dado por:

det A
det(NormA) = (5.42)
α1 α2 . . . αn
√
sendo αi = a2i1 + a2i2 + · · · + a2in
Se o módulo desse determinante estiver muito próximo de zero (| det(NormA)| ≪ 1)
pode-se esperar o mal condicionamento do sistema.

Exercício:
Verique se o sistema (5.43) é mal condicionado.


 7x1 + 8x2 + 9x3 = 24
8x1 + 9x2 + 10x3 = 27 (5.43)

9x1 + 10x2 + 8x3 = 27
Sistemas Lineares 35

5.14 Aplicações
5.14.1 Eletricidade
Seja o diagrama de circuito dado pela Figura 9:

A 2Ω
100 V 1

1Ω

2Ω 2

B 5Ω 3Ω
0V
3

Figura 9: Diagrama de circuito de uma rede elétrica

Pela Lei de Ohm, a corrente que ui do nó p para o nó q de uma rede elétrica é
V −V
calculada com base na fórmula Ipq = pRpq q , com I em ampères e R em Ohms, sendo Vp
e Vq as voltagens nos nós p e q , respectivamente, e Rpq a resistência no arco pq .
Pela Lei de Kircho, a soma das correntes que chegam a cada nó é nula; assim, as
equações que relacionam as voltagens podem ser obtidas.
Para o diagrama de circuito considerado, pede-se:

(a) Obter as equações dos nós 1, 2 e 3;

(b) Aplique o critério de Sassenfeld ao sistema resultante para mostrar que ele converge
usando um método iterativo;

(c) Resolver o sistema formado por um método iterativo, com ε < 0.5, a m de se obter
as voltagens em cada nó do circuito.

Resposta: A solução do sistema que contém as voltagens do circuito com erro ε < 0, 5 é,
pelo Método de Gauss-Seidel:

 
74, 99
V̄ =  70, 95 
59, 17
t
Observação: A solução exata é V̄ = [76 72 60] :

5.14.2 Estequiometria de reação química

Equilibrar a reação química:

KMnO4 + H2 SO4 + NaNO2 =⇒ K2 SO4 + MnSO4 + NaNO3 + H2 O

Sugestão: Atribua coecientes xi às substâncias que aparecem na equação. Como pela Lei
de Lavoisier, em uma reação química a soma das massas dos reagentes é igual à soma das
36 Marcone Jamilson Freitas Souza

massas dos produtos resultantes, então iguale a quantidade de cada elemento químico que
aparece no lado esquerdo da equação à quantidade desse mesmo elemento que aparece no
lado direito da equação. Esse procedimento, feito para cada elemento químico, resultará
em um sistema de equações lineares, onde as incógnitas são os coecientes estequiométri-
cos xi da reação química. No caso de haver mais incógnitas do que equações, o sistema
é indeterminado, isto é, há uma innidade de soluções para ele. Para gerar uma dessas
soluções, basta atribuir um valor qualquer a uma das incógnitas. Caso apareçam valores
negativos para alguma incógnita, tente outra atribuição, já que no caso real os coecientes
estequiométricos são números inteiros positivos. Se a solução do sistema for fracionária,
multiplique-a pelo determinante do sistema. Isto fará com que todos os coecientes sejam
inteiros.

Resposta: Uma das possíveis soluções é:

2KMnO4 + 3H2 SO4 + 5NaNO2 =⇒ K2 SO4 + 2MnSO4 + 5NaNO3 + 3H2 O

Referências
[1] L.C. Barroso, M.M.A. Barroso, F.F. Campos Filho, M.L.B. de Carvalho e M.L. Maia.
a
Cálculo Numérico (com aplicações), Editora HARBRA, São Paulo, 2 edição, 1987.

a
[2] F.F. Campos Filho, Algoritmos Numéricos, Livros Técnicos Cientícos Editora, 2
edição, Rio de Janeiro, 2007.

[3] E. Kreyzig, Advanced Engineering Mathematics, John Wiles & Sons Inc., 70th
edition, New York, 1993.

[4] M.A.G. Ruggiero e V. L. R. Lopes, Cálculo Numérico: Aspectos Teóricos e Compu-

tacionais, Editora McGraw-Hill, São Paulo, 1988.